预测股票价格的变化使用长期短期记忆神经网络与象征性遗传编程.
Qi Li1,2, Norshaliza Kamaruddin3,4, Siti Sophiayati Yuhaniz1,2
1Razak Faculty of Technology and Informatics, UTM Malaysia, Kuala Lumpur, Malaysia.
Scientific reports
|January 3, 2024
概括
这项研究引入了一种新的混合象征性遗传编程-长期短期记忆 (SGP-LSTM) 模型,用于在中国市场增强股票回报预测. 该SGP-LSTM模型显著提高了预测准确性,并产生了大量的超额回报.
科学领域:
- * 计算金融学
- * 金融中的机器学习
- * * 量化交易是一种量化交易.
背景情况:
- *准确预测横截面股价回报对于投资策略至关重要.
- * 传统模型往往难以应对金融市场固有的复杂性和噪音.
- *提高预测准确度可以提高投资组合绩效和风险管理.
研究的目的:
- * 引入和评估一种新的混合象征性遗传编程-长期短期记忆 (SGP-LSTM) 神经网络架构.
- *使用大量中国上市股票数据集预测横截面股价回报.
- * 评估模型对现有方法和基准的性能改进.
主要方法:
- * 开发一个与符号遗传编程 (SGP) 集成的增强LSTM架构.
- *利用数据增强和特征提取技术在中国的S&P Alpha Pool数据集 (2014-2022) 上.
- *将混合模型应用于用于预测股票回报率的基本和技术指标.
主要成果:
- *基本指标的排名信息系数 (Rank IC) 和IC信息比率 (ICIR) 显著改善 (分别增加了1128%和5360%).
- * 在技术指标方面,排名IC (206%) 和ICIR (2752%) 的大幅增长.
- * 超过中国主要股票指数的表现,平均年化超额回报率为31.00% (vs. CSI 300),24.48% (vs. CSI 500) 和16.38% (vs. 平均投资组合).
结论:
- *混合SGP-LSTM模型在预测横截面股票回报方面表现出卓越的表现.
- * SGP与LSTM的整合显著提高了预测准确性和财务预测能力.
- * 调查结果为寻求改进投资策略的基金经理,交易员和金融分析师提供了宝贵的见解.


